用Scala转换PySpark RDD

Question

用Scala转换PySpark RDD

5

TL;DR - 我在一个PySpark应用程序中有一个看起来像是字符串DStream的东西。我想将其作为DStream[String]发送到Scala库。然而，Py4j不能转换字符串。

我正在开发一个PySpark应用程序，使用Spark Streaming从Kafka中获取数据。我的消息是字符串，我想调用Scala代码中的方法，并传递一个DStream[String]实例。然而，我无法在Scala代码中接收到正确的JVM字符串。在我看来，Python字符串没有被转换成Java字符串，而是被序列化了。

我的问题是：如何从DStream对象中获取Java字符串？

以下是我想出的最简单的Python代码：

from pyspark.streaming import StreamingContext
ssc = StreamingContext(sparkContext=sc, batchDuration=int(1))

from pyspark.streaming.kafka import KafkaUtils
stream = KafkaUtils.createDirectStream(ssc, ["IN"], {"metadata.broker.list": "localhost:9092"})
values = stream.map(lambda tuple: tuple[1])

ssc._jvm.com.seigneurin.MyPythonHelper.doSomething(values._jdstream)

ssc.start()

我正在PySpark中运行此代码，并将其传递到我的JAR路径：

pyspark --driver-class-path ~/path/to/my/lib-0.1.1-SNAPSHOT.jar

在Scala方面，我有以下内容：

package com.seigneurin

import org.apache.spark.streaming.api.java.JavaDStream

object MyPythonHelper {
  def doSomething(jdstream: JavaDStream[String]) = {
    val dstream = jdstream.dstream
    dstream.foreachRDD(rdd => {
      rdd.foreach(println)
    })
  }
}

现在，假设我向Kafka发送了一些数据：

echo 'foo bar' | $KAFKA_HOME/bin/kafka-console-producer.sh --broker-list localhost:9092 --topic IN

Scala代码中的println语句会打印出以下类似内容：

[B@758aa4d9

我原本期望得到 foo bar。

现在，如果我将 Scala 代码中简单的 println 语句替换为以下内容：

rdd.foreach(v => println(v.getClass.getCanonicalName))

我得到:

java.lang.ClassCastException: [B cannot be cast to java.lang.String

这表明字符串实际上是作为字节数组传递的。

如果我只尝试将这个字节数组转换成字符串（我知道我甚至没有指定编码）：

      def doSomething(jdstream: JavaDStream[Array[Byte]]) = {
        val dstream = jdstream.dstream
        dstream.foreachRDD(rdd => {
          rdd.foreach(bytes => println(new String(bytes)))
        })
      }

我得到一个看起来像（特殊字符可能被剥离）的东西：

�]qXfoo barqa.

这表明Python字符串已经被序列化（pickled？）。我该如何检索出一个正确的Java字符串呢？

- Alexis Seigneurin

1个回答

网页内容由stack overflow 提供, 点击上面的

可以查看英文原文，
原文链接

- zero323 · Accepted Answer

长话短说，没有支持的方法来做这样的事情。不要在生产环境中尝试此操作。已经警告过你了。

通常情况下，Spark仅在驱动程序上执行一些基本的RPC调用，并不会在任何其他计算机上启动Py4j网关，因此并没有使用Py4j。当需要时（主要是MLlib和SQL的某些部分），Spark使用Pyrolite序列化JVM和Python之间传递的对象。

此API的这一部分是私有的（Scala）或内部的（Python），因此并不适用于通常的用途。虽然理论上你可以按批次访问它：

package dummy

import org.apache.spark.api.java.JavaRDD
import org.apache.spark.streaming.api.java.JavaDStream
import org.apache.spark.sql.DataFrame

object PythonRDDHelper {
  def go(rdd: JavaRDD[Any]) = {
    rdd.rdd.collect {
      case s: String => s
    }.take(5).foreach(println)
  }
}

完整流：

object PythonDStreamHelper {
  def go(stream: JavaDStream[Any]) = {
    stream.dstream.transform(_.collect {
      case s: String => s
    }).print
  }
}

或者将单独的批次暴露为DataFrames（可能是最不邪恶的选项）：

object PythonDataFrameHelper {
  def go(df: DataFrame) = {
    df.show
  }
}

并按照以下方式使用这些包装器:

from pyspark.streaming import StreamingContext
from pyspark.mllib.common import _to_java_object_rdd
from pyspark.rdd import RDD

ssc = StreamingContext(spark.sparkContext, 10)
spark.catalog.listTables()

q = ssc.queueStream([sc.parallelize(["foo", "bar"]) for _ in range(10)]) 

# Reserialize RDD as Java RDD<Object> and pass 
# to Scala sink (only for output)
q.foreachRDD(lambda rdd: ssc._jvm.dummy.PythonRDDHelper.go(
    _to_java_object_rdd(rdd)
))

# Reserialize and convert to JavaDStream<Object>
# This is the only option which allows further transformations
# on DStream
ssc._jvm.dummy.PythonDStreamHelper.go(
    q.transform(lambda rdd: RDD(  # Reserialize but keep as Python RDD
        _to_java_object_rdd(rdd), ssc.sparkContext
    ))._jdstream
)

# Convert to DataFrame and pass to Scala sink.
# Arguably there are relatively few moving parts here. 
q.foreachRDD(lambda rdd: 
    ssc._jvm.dummy.PythonDataFrameHelper.go(
        rdd.map(lambda x: (x, )).toDF()._jdf
    )
)

ssc.start()
ssc.awaitTerminationOrTimeout(30)
ssc.stop()

这并不被支持，未经测试，因此除了使用Spark API进行实验之外，对其他任何事情都没有用处。